پرش به محتوای اصلی
اخبار هوش مصنوعی

جمینای ۳.۸ لایو چیست؟ گفت‌وگوی صوتی گوگل

جمینای ۳.۸ لایو و Extended Thinking را با زبان ساده بشناسید: چه فرقی با چت متنی دارد، چه قابلیت‌هایی اضافه شده و برای چه کارهایی مناسب است.

۷ دقیقه مطالعه
اشتراک‌گذاری:
تصویر خبر واقعی — جمینای ۳.۸ لایو چیست؟ گفت‌وگوی صوتی گوگل
تصویر خبر واقعی — جمینای ۳.۸ لایو چیست؟ گفت‌وگوی صوتی گوگل
فهرست مطالب

گوگل در ۱۵ سپتامبر ۲۰۲۶ دو مدل تازه برای گفت‌وگوی صوتی زنده معرفی کرد: Gemini 3.8 Live و Gemini 3.8 Live Extended Thinking. نسخهٔ Live برای مقیاس بالا و هزینهٔ کم ساخته شده: گفت‌وگوی روان، فهم تصویر در لحظه و پشتیبانی از ۹۷ زبان. نسخهٔ Extended Thinking برای کارهای پیچیده است و می‌تواند هم‌زمان فکر کند و حرف بزند، بی‌آنکه گفت‌وگو قطع شود. هر دو برای توسعه‌دهندگان از طریق Gemini API و Google AI Studio عرضه شده‌اند و کاربران عادی آن‌ها را در Gemini Live، Search Live و Workspace می‌بینند.

در ادامه اول ساده توضیح می‌دهیم «مدل گفت‌وگوی زنده» چیست. بعد تفاوت دو مدل را با یک جدول نشان می‌دهیم، عددهای اعلام‌شده را مرور می‌کنیم و می‌گوییم کجا می‌شود از آن‌ها استفاده کرد.

زمینهٔ کوتاه: مدل گفت‌وگوی زنده چیست؟

در بیشتر دستیارهای صوتی قدیمی، صدا اول به متن تبدیل می‌شد، بعد مدل زبانی جواب متنی می‌داد و در آخر متن دوباره به صدا تبدیل می‌شد. به این روش «زنجیره‌ای» (cascaded) می‌گویند و معمولاً کند است و حس گفت‌وگوی واقعی نمی‌دهد. مدل‌های صدا به صدا (speech-to-speech) مثل Gemini 3.8 Live مستقیم صدا را می‌فهمند و با صدا جواب می‌دهند. برای همین می‌توانند وسط حرف قطع شوند، زبان را عوض کنند و طبیعی‌تر رفتار کنند.

گوگل پیش‌تر هم در Gemini Live امکان نشان دادن تصویر دوربین به دستیار را داشت. برای استفادهٔ عملی از آن، آموزش Guided Vision در Gemini Live را ببینید.

دو مدل، دو کاربرد

Gemini 3.8 Live: سریع و مقرون‌به‌صرفه

این مدل برای مقیاس و هزینهٔ کم ساخته شده و گفت‌وگوی هوشمند را با فهم تصویر در لحظه ترکیب می‌کند. به گفتهٔ گوگل:

  • ورودی تصویری را تقریباً در لحظه پردازش می‌کند تا جواب‌ها به آنچه می‌بیند مربوط باشد.

  • وسط گفت‌وگو زبان را خودکار تشخیص می‌دهد و بین ۹۷ زبان پشتیبانی‌شده جابه‌جا می‌شود.

  • ابزارها و فراخوانی API را در پس‌زمینه اجرا می‌کند و در همان حال به گفت‌وگو ادامه می‌دهد.

Gemini 3.8 Live Extended Thinking: برای کارهای پیچیده

این نسخه برای کارهای چندمرحله‌ای ساخته شده و هم‌زمان استدلال می‌کند و حرف می‌زند. برای اینکه سکوت نکند، از جمله‌هایی مثل «بگذار بررسی کنم...» استفاده می‌کند و در کارهای چندمرحله‌ای پس‌زمینه، قدم‌به‌قدم توضیح می‌دهد کار به کجا رسیده. توسعه‌دهندگان می‌توانند عمق استدلال آن را روی سه سطح کم، متوسط یا زیاد تنظیم کنند.

جدول مقایسه: Live در برابر Live Extended Thinking

موضوع

Gemini 3.8 Live

Gemini 3.8 Live Extended Thinking

کاربرد اصلی

عامل‌های صوتی کم‌تأخیر، فرمان‌های مستقیم، ابزارهای سریع

حل مسئلهٔ چندمرحله‌ای، برنامه‌ریزی پیچیده، چند ابزار

نام مدل در API

gemini-3.8-live

gemini-3.8-live-extended-thinking

تنظیم عمق استدلال

ندارد

دارد: کم، متوسط، زیاد

عملکرد اعلام‌شده

رتبهٔ دوم در Speech Agent Arena

رتبهٔ اول در شاخص کیفیت Speech to Speech سایت Artificial Analysis با امتیاز ۸۲٫۶

دسترسی کاربران عادی

Search Live

Gemini Live؛ Docs، Gmail و Keep در Workspace

عددهای اعلام‌شده را چطور بخوانیم؟

طبق اعلام گوگل، Extended Thinking در شاخص کیفیت Speech to Speech سایت Artificial Analysis با امتیاز ۸۲٫۶ رتبهٔ اول را دارد. در انجام کارهای عامل‌محور هم روی τ-Voice امتیاز ۶۸٫۶٪ و روی بنچمارک بانکی τ-Voice شرکت Sierra امتیاز ۳۵٫۱٪ گرفته و در Big Bench Audio به ۹۷٫۷٪ رسیده است. Gemini 3.8 Live هم در Speech Agent Arena، که بر اساس ترجیح کاربران است، دوم شده.

این عددها را خود گوگل منتشر کرده است. امتیاز ۳۵٫۱٪ در سناریوی بانکی هم نشان می‌دهد کارهای صوتی پیچیده هنوز برای همهٔ مدل‌ها دشوار است.

قیمت برای توسعه‌دهندگان

گوگل در بلاگ توسعه‌دهندگان قیمت را این‌طور اعلام کرده: ۰٫۰۰۵ دلار برای هر دقیقه ورودی صوتی و ۰٫۰۱۸ دلار برای هر دقیقه خروجی صوتی. توسعه‌دهندگان می‌توانند از طریق Live API و پلتفرم‌های شریک مثل Agora، Fishjam، LangChain، LiveKit، Pipecat، Vercel و Vision Agents از این مدل‌ها استفاده کنند. یک نکتهٔ فنی هم هست: در Extended Thinking ابزارها باید غیرمسدودکننده (NON_BLOCKING) تعریف شوند، چون مدل آن‌ها را در پس‌زمینه اجرا می‌کند.

کجا می‌شود از آن‌ها استفاده کرد؟

Gemini 3.8 Live

  • توسعه‌دهندگان: Gemini API و Google AI Studio

  • سازمان‌ها: پیش‌نمایش خصوصی در Gemini Enterprise؛ به‌زودی در Gemini Enterprise for Customer Experience

  • همه: در Search Live

Gemini 3.8 Live Extended Thinking

  • توسعه‌دهندگان: Gemini API و Google AI Studio

  • سازمان‌ها: پیش‌نمایش خصوصی در Gemini Enterprise؛ به‌زودی برای Gemini Enterprise for Customer Experience و مشتریان تجاری Google Workspace

  • همه: در Gemini Live؛ برای مشترکان Google AI Pro و Ultra در Docs؛ و برای همهٔ مشترکان Google AI در Gmail و Keep

گوگل همچنین با شرکت‌هایی مثل سیلزفورس، Genspark و Lumeris همکاری می‌کند. سیلزفورس همین هفته مدل استدلال CRM خودش را هم معرفی کرد. خبرش را در Salesforce Koa چیست؟ بخوانید. برای سازمان‌ها، گوگل نسخهٔ آواتار زنده را هم دارد که در آواتار زنده Gemini 3.8 چیست؟ توضیح داده‌ایم.

واترمارک SynthID: صدای ساخت هوش مصنوعی قابل تشخیص است

گوگل می‌گوید همهٔ صداهایی که محصولات هوش مصنوعی‌اش تولید می‌کنند با SynthID واترمارک می‌شوند. این نشانهٔ نامحسوس داخل خود صدا قرار می‌گیرد تا محتوای ساخت هوش مصنوعی قابل تشخیص بماند و جلوی اطلاعات نادرست گرفته شود.

این خبر در رقابت دستیارهای صوتی چه معنایی دارد؟

دستیارهای صوتی دارند از «جواب دادن به یک سؤال» به «انجام کار چندمرحله‌ای با صدا» می‌رسند: رزرو، برنامه‌ریزی، کار با ایمیل و سند. اپل هم با نسخهٔ تازهٔ Siri در همین مسیر است. مقایسه‌اش را در Siri AI چیست؟ ببینید. خانوادهٔ ۳.۸ جمینای مدل‌های دیگری هم دارد. برای نمونه، دربارهٔ جمینای ۳.۸ فلش و فلش سایبر نوشته‌ایم.

گراک ویس 3.0 با نمره 86.9 در همین بنچمارک بالاتر است.

گوگل فناوری صوتی زندهٔ جمینای را به جلسه‌های آنلاین هم آورده است. از ۳۰ مهر ۱۴۰۵، ترجمهٔ گفتار در گوگل میت با مدل Gemini 3.5 Live Translate کار می‌کند و ۶۳ زبان، از جمله فارسی، را پشتیبانی می‌کند. روش روشن کردنش را در آموزش ترجمهٔ زندهٔ گفتار در گوگل میت نوشته‌ایم.

سؤال‌های پرتکرار

Gemini 3.8 Live چیست؟

مدل گفت‌وگوی صوتی زندهٔ گوگل که برای مقیاس و هزینهٔ کم ساخته شده، تصویر را در لحظه می‌فهمد و بین ۹۷ زبان جابه‌جا می‌شود.

فرق Live با Live Extended Thinking چیست؟

Live برای کارهای سریع و کم‌تأخیر است. Extended Thinking برای کارهای پیچیده و چندمرحله‌ای است، هم‌زمان استدلال می‌کند و حرف می‌زند و عمق استدلالش قابل تنظیم است.

آیا Gemini 3.8 Live فارسی پشتیبانی می‌کند؟

گوگل از پشتیبانی ۹۷ زبان و تشخیص خودکار زبان وسط گفت‌وگو خبر داده، اما در اعلامیه فهرست کامل زبان‌ها نیامده است. برای اطمینان، مستندات Gemini API را بررسی کنید.

قیمت Gemini 3.8 Live برای توسعه‌دهندگان چقدر است؟

طبق اعلام گوگل، ۰٫۰۰۵ دلار برای هر دقیقه ورودی صوتی و ۰٫۰۱۸ دلار برای هر دقیقه خروجی صوتی.

کاربران عادی کجا می‌توانند آن را امتحان کنند؟

نسخهٔ Live در Search Live و نسخهٔ Extended Thinking در Gemini Live عرضه می‌شود. مشترکان Google AI هم آن را در Docs، Gmail و Keep می‌بینند.

چطور بفهمیم صدایی ساخت هوش مصنوعی گوگل است؟

همهٔ صداهای ساخته‌شده با این مدل‌ها واترمارک نامحسوس SynthID دارند که برای تشخیص محتوای ساخت هوش مصنوعی طراحی شده است.

منابع

 

برچسب‌ها:هوش مصنوعیجمینایگوگلهوش مصنوعی مولدمدل زبانی بزرگ
اشتراک‌گذاری:

مطالب مرتبط

عضویت در خبرنامه

آخرین اخبار هوش مصنوعی و فناوری را در ایمیل خود دریافت کنید.

پس از عضویت یک ایمیل تأیید برایتان ارسال می‌شود. هر زمان می‌توانید اشتراک خود را لغو کنید و ایمیل شما برای هدفی جز ارسال خبرنامه استفاده نمی‌شود. جزئیات در صفحه حریم خصوصی آمده است.